基于机器学习的精子视频和参与者数据分析，用于男性生育率预测。,Scientific Reports

当前位置： X-MOL 学术 › Sci. Rep. › 论文详情

Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)

基于机器学习的精子视频和参与者数据分析，用于男性生育率预测。
Scientific Reports ( IF 3.8 ) Pub Date : 2019-11-14 , DOI: 10.1038/s41598-019-53217-y
Steven A Hicks _{1,

2} , Jorunn M Andersen ₃ , Oliwia Witczak ₃ , Vajira Thambawita _{1,

2} , Pål Halvorsen _{1,

2} , Hugo L Hammer _{1,

2} , Trine B Haugen ₃ , Michael A Riegler _{1,

4}

Affiliation

自动分析临床数据的方法通常针对特定的方式，并且不利用所有可用的相关数据。在男性生殖领域，尚未充分利用临床和生物学数据。使用显微镜对精液样品进行人工评估非常耗时，需要大量培训。此外，由于有限的可重复性以及人际差异很大，手动精液分析的有效性受到质疑。不建议将现有的计算机辅助精子分析仪系统用于常规临床，因为精液样品的一致性会导致方法学上的挑战。因此，需要一种改进的方法。我们将现代和古典机器学习技术与包含85个人类精液样本视频和相关参与者数据的数据集一起使用，以自动预测精子运动。使用的技术包括简单的线性回归和使用卷积神经网络的更复杂的方法。我们的结果表明，基于使用精子运动视频进行深度学习的精子运动预测可以快速执行并保持一致。添加参与者数据不会提高算法性能。总之，基于机器学习的自动分析可能会成为男性不育症调查和研究中的重要工具。我们的结果表明，基于使用精子运动视频的深度学习进行的精子运动预测是快速执行且一致的。添加参与者数据不会提高算法性能。总之，基于机器学习的自动分析可能会成为男性不育症调查和研究中的重要工具。我们的结果表明，基于使用精子运动视频的深度学习进行的精子运动预测是快速执行且一致的。添加参与者数据不会提高算法性能。总之，基于机器学习的自动分析可能会成为男性不育症调查和研究中的重要工具。

"点击查看英文标题和摘要"

Machine Learning-Based Analysis of Sperm Videos and Participant Data for Male Fertility Prediction.

Methods for automatic analysis of clinical data are usually targeted towards a specific modality and do not make use of all relevant data available. In the field of male human reproduction, clinical and biological data are not used to its fullest potential. Manual evaluation of a semen sample using a microscope is time-consuming and requires extensive training. Furthermore, the validity of manual semen analysis has been questioned due to limited reproducibility, and often high inter-personnel variation. The existing computer-aided sperm analyzer systems are not recommended for routine clinical use due to methodological challenges caused by the consistency of the semen sample. Thus, there is a need for an improved methodology. We use modern and classical machine learning techniques together with a dataset consisting of 85 videos of human semen samples and related participant data to automatically predict sperm motility. Used techniques include simple linear regression and more sophisticated methods using convolutional neural networks. Our results indicate that sperm motility prediction based on deep learning using sperm motility videos is rapid to perform and consistent. Adding participant data did not improve the algorithms performance. In conclusion, machine learning-based automatic analysis may become a valuable tool in male infertility investigation and research.

更新日期：2019-11-14

点击分享查看原文

点击收藏

公开下载

阅读更多本刊新发论文本刊介绍/投稿指南